УДК 004.8

Искусственный интеллект: развитие экспертных систем в 70–80-е гг.

Мартынов Даниил Алексеевич – выпускник Национального исследовательского ядерного университета «МИФИ».

Аннотация: В данной работе рассматривается история и развитие экспертных систем (ЭС) в период с 70-х по 80-е годы. Обращается внимание на основные причины, которые стимулировали развитие ЭС, такие как необходимость обработки сложных знаний и автоматизация принятия решений. В статье представлен обзор экспериментальных оболочек и приводятся конкретные примеры ЭС того времени, включая MYCIN, DENDRAL, EMYCIN, PUFF, PROSPECTOR, KAS и другие. Акцент делается на значимости этих систем в области медицины, химии, геологии и других наук. В заключении статьи представлен обзор состояния экспертных систем к концу 80-х годов, подчеркивающий их роль и перспективы в области искусственного интеллекта и их широкое применение в различных сферах человеческой деятельности.

Ключевые слова: экспертная система, искусственный интеллект, знания.

Причины развития экспертных систем

В [1] указаны главные причины, по которым экспертные системы вызвали, со слов авторов, “огромный” интерес к себе. Во-первых, ЭС помогали экспертам, не обладавшим навыками в программировании, создавать практически значимые приложения. Во-вторых, экспертные системы помогали в решении широкого круга задач. В-третьих, системы, основанные на знаниях, позволяли получать результаты, сравнимые с результатами людей-экспертов, иногда даже превосходящие их. В-четвертых, системы, основанные на знаниях, могут решать задачи посредством диалога с пользователем.

Причины успешного практического применения систем, основанных на знаниях, состоят в том, что при их создании были учтены ошибки предшествующих исследований. Можно обобщить все факторы успеха в виде трех принципов [2]:

1. Мощность экспертной системы, в большей части, обусловлена мощностью базы знаний, которую можно легко пополнять, процедурная же составляющая отодвигается на второй план.
2. Принимая во внимание тот факт, что большинство решаемых задач являются неформализованными, у пользователь должна иметься возможность взаимодействовать с экспертной системой, посредством диалога с этой системой.
3. Знания, помогающие экспертной системе получать качественное решение задач, являются в основном экспериментальными и эвристическими. Происходит это потому, что задачи, решаемые экспертными системами, как уже упоминалось, являются, в основном, неформализованными или слабоформализованными. Также не стоит забывать о том, что каждый человек-эксперт может не только владеть разными знаниями, но и выражать одни и те же знания по-разному.

Экспертные системы и оболочки экспертных систем 70-80-х годов

В 70-е годы начинается массовая разработка различных экспертных систем. Системы, основанные на знаниях, становятся ведущим направлением в области искусственного интеллекта.

Первые экспертные системы – медицинская MYCIN и DENDRAL для приложения в химии появились в 70-х годах в рамках исследовательских программ по искусственному интеллекту. Данные системы успешно вписались в медицинскую практику, помогая в выборе лекарств. Также не менее известными в то время были экспертные системы как PROSPECTOR, предназначенная для геологических изысканий, так и медицинские системы, например, INTERNIST и R1.

Кроме экспертных систем активно стали развиваться различные инструментальные системы поддержки разработок самих экспертных систем, позволяющие программистам автоматизировать свою деятельность при создании интеллектуальных систем. Появляются процедурные языки программирования, ориентированные на символьной информации, такие как LISP, MacLISP, РЕФАЛ и др. Также развиваются оболочки экспертных систем и универсальные языки программирования. Примером может служить система EMYCIN, созданная на основе вышеупомянутой медицинской системы MYCIN, система EXPERT, KAS, универсальные языки программирования – OSP5, HEARSAY-III, RLL и др.

DENDRAL

Разработка системы DENDRAL началась немного раньше 70-х годов, а именно в 1965 году, и продолжалась шестнадцать лет [2]. Система, основанная на знаниях, появилась в Станфордском университете, и создавалась при участии Э. Фейгенбаума и нобелевского лауреата Д. Ледерберга [3]. Областью применения экспертной системы является химия. DENDRAL на основе химической формулы мог выводить возможные структуры молекулы, что кратно ускоряло работу специалистов. При этом качество решенных задач данной экспертной системой чаще всего было выше, чем у человека-эксперта в данной области. В [2] считают, что обращение к медицине – не случайность. Начиная с древних времен, врачи ставили диагноз, основываясь только на собственном опыте и описании симптомов больного, что является неформализованными знаниями. Основной инструмент врача – фиксация симптомов и вывод. Здесь прослеживается прямая аналогия с работой экспертных системах.

В первых своих версиях экспертная система DENDRAL обладала простейшим языком и минимальными объяснительными способностями. Были выявлены сложности с приобретением знаний. При разработке последователя устранены данные недочеты. Также экспертная система Meta DENDRAL использовалась для формирования результатов моделирования, которым занимался сам DENDRAL. Таким образом, DENDRAL является «первопроходцем» в мире экспертных систем.

MYCIN

Экспертная система MYCIN разрабатывалась в Станфордском университете. Разработка началась в 1974 г. и продолжалась в течение более десяти лет. Она была написана как докторская диссертация Эдварда Шортлиффа под руководством Дж. Маккарти в той же лаборатории, где была создана система DENDRAL [3].

Согласно [4], MYCIN была создана для диагностирования заражения крови и менингитных инфекций. Также система использовалась для расчета количества антибиотиков для пациента, основываясь на его весе и количестве содержания бактерий в его организме.

Знания в MYCIN разделялись на факты и продукционные правила, их было около 400 [2]. Система легко умела модифицировать старые правила и приобретать новые. Система была способна объяснять свои действия, путем вывода результата своей работы на естественном языке. Следует отметить, что в MYCIN использовался ограниченный английский язык, в отличие от первой экспертной системы DENDRAL. Когда системе нужна была информация от пользователя, она спрашивала ее на английском языке. Пользователь также задавал информацию на английском языке. MYCIN была первой системой, при проектировании которой серьезно задумались о пользовательском интерфейсе.

Последующие исследования выявили, что MYCIN предлагает приемлемое лечение в 69% случаев, что было намного эффективнее терапевтов того времени. Врачи, взаимодействовавшие с MYCIN, в целом были довольны данной системой, оценив свои способности наравне со своими [4]. Но при этом данная экспертная система почти никогда не использовалась на практике. Связано это было с несколькими причинами. Сеанс работы MYCIN мог занимать более получаса, что было совершенно неприемлемо для сотрудников медицинский учреждений. К тому же не было четкого ответа на вопрос, кого же винить в случае неправильного лечения – машину или человека-эксперта.

EMYCIN

Стремление использовать особенности MYCIN для более широкого круга задач привело к созданию оболочки для экспертных систем - EMYCIN (empty MYCIN), не зависящей от проблемной области [2]. EMYCIN получилась путем удаления специфических правил для диагностирования бактерий из MYCIN.

EMYCIN вполне может служить "скелетом" для создания консультационных программ во многих предметных областях, поскольку располагает множеством инструментальных программных средств, облегчающих задачу проектировщика конкретной экспертной консультационной системы. Главной задачей EMYCIN оставалась диагностика, рассматриваемая в любой предметной области, для которой подходили правила вывода и ввода данных из MYCIN. В [5] написано, что EMYCIN была особенно удобна для решения дедуктивных задач, таких как диагностика заболеваний или неисправностей, для которых характерно большое количество ненадежных входных измерений. Самое большое достоинство EMYCIN, согласно [5], относится к области сервиса: пользователь обеспечен удобными условиями для создания экспертной системы. Это удобство создается посредством блока приобретения знания, позволяющего создавать базу знаний, консультационного блока, который обеспечивал объяснение со стороны инженера знаний, а также блока ведения диалога, позволяющего согласованно взаимодействовать с пользователем. На основе EMYCIN, как написано в [3], были построены такие экспертные системы как: GUIDON, предназначенная для обучения студентов-медиков, ONCOCIN, в которой вводились новые правила по решению задачи (диагностике пациента), и TOM – для исследования в области заболевания томатов.

KAS

Как и DENDRAL, геологическая экспертная система обладала проблемой приобретения новых знаний. Для упрощения этого процесса была разработана оболочка KAS [2], которая подсказывала пользователю, какие компоненты новых знаний тот упустил или не упомянул. KAS рассматривалась как самостоятельная, независимая от выбора предметной области версия PROSPECTOR, другими словами, KAS являлась оболочкой для экспертных систем. Оболочка была получена путем удаления всех геологических знаний из PROSPECTOR [6]. KAS и DENDRAL можно эквивалентно сопоставить с EMYCIN и MYCIN. При приобретении новых знаний KAS проверяла их с точки зрения как формы, так и содержания.

CADUCEUS (INSERNIST)

 Экспертная система CADUCEUS началась разрабатываться под руководством Гарри Попла в конце 70-х годов. Первоначальное название этой системы – INTERNIST. Экспертная система подразумевалась, как продолжение системы MYCIN. В отличие от предшественника, создатели системы не ограничились лишь диагностированием бактерий, областью экспертизы CADUCEUS были исследования внутренних заболеваний человека. Система, основанная на знаниях, содержала в себе знания более чем о 500 болезней, что на тот момент составляло примерно 80% от всех известных. Этот факт делал базу данных экспертной системы самой большой среди всех экспертных систем того времени. Экспертную систему также нередко использовали в целях обучения студентов медиков. Благодаря огромному количеству ассоциативных связей между болезнями и их проявлениями (таких насчитывалось порядка ста тысяч), качество решений, принимаемое системой, было очень высоким. Также экспертная система обладала удобным интерфейсом, но минимальными объяснительными способностями. Система CADUCEUS предполагала возможное расширение списка болезней, при этом модификация связей осуществлялась самостоятельно [2].

PUFF

PUFF – экспертная система, основанная на базе вышеупомянутой системы EMYCIN, в конце 70-х годов. Предназначалась данная система для диагностики нарушения дыхания. Процесс сбора информации был описан в [4] следующим образом: пациент заходит в кабинет врача и выдыхает в прибор. Прибор, в свою очередь регистрирует скорость движения и объем выдыхаемого воздуха. Врач в свою очередь вносит некоторую информацию о пациенте: возраст, пол, наличие хронических заболеваний и вредных привычек. Анализируя эти данные, экспертная система способна продиагностировать состояние пациента и даже определить, чем именно он болен.

Сначала система работала неисправно, выдавав неверные диагнозы. Причиной этому в большей части были неверный правила по определению диагноза от медиков, к которым обращались разработчики PUFF. Медики не могли сразу выдать четких и совершенных правил, потому что у каждого человека-специалиста в области медицины есть общее представление о том, каким образом он будет решать конкретную задачу, но чаще всего у специалиста с самого начала отсутствует точное представление об этом.

В процессе совершенствования системы были достигнуты неплохие результаты. В пробных сеансах использования PUFF было предложено около 150 наборов информации о пациенте. В конечном итоге, экспертная система ставила такие же диагнозы, как и врач в 90% случаев [4].

EXPERT

Этот скелетный язык инженерии знаний использует схему представления знаний, основанную на правилах, и имеет ограниченный механизм вывода, организованный по принципу прямой цепочки рассуждений и делающий его пригодным для задач типа диагностики и классификации. У языка EXPERT есть встроенные блоки построения. объяснений, приобретения знаний и контроля непротиворечивости, которые ускоряют разработку. Блок контроля непротиворечивости хранит базу данных репрезентативных случаев с известными заключениями и использует их для тестирования экспертной системы после того, как инженер знаний добавляет новые правила [6]. Система EXPERT использовалась для создания геологических экспертных систем, а также для тех, которые применяются для диагностики в области медицины. Ко всему прочему оболочка использовалась для анализа нефтяных скважин и проверки качества древесины [5]. Главном плюсами системы EXPERT из [5] были возможности объяснения интерпретаций и восприятия незапрашиваемой информации, вводимой пользователем.

Состояние экспертных и инструментальных систем к концу 80-х годов

Согласно [5], к 1988 году в США насчитывалось 3600 экспертных систем, а через 2 года уже порядка 7000. Так, например, вышеупомянутая фирма DEC (США) ежегодно экономила 70 млн. дол. в год благодаря ЭС XCON/R1 [1]. Однако большие ИС до 1990 г. развивались слабо. Так, по состоянию на 1990 г. в США значительное распространение получили только пять ИС [1]. В Японии к 1990 году насчитывалось около 400 систем, основанных на знаниях, при том, что еще в 1987 году их было всего 125.

На базе ИС перечисленных ведущих фирм к 1990 г. разработано около 6000 приложений, которые использовало от 25000 до 30000 пользователей. В [13] представлен опрос, проведенный в США, среди фирм, использующих вычислительную технику. По данным опроса 37% разработали и использовали одну и более экспертную систему, 23% разрабатывали их на тот момент, 24% изучаю специфику вопроса, остальные пока не заинтересованы. По результатам этого опроса можно судить о состоянии экспертных систем на момент конца 80-х, как более чем удовлетворительном.

Большое количество экспертных систем было создано для областей производства, менеджмента, финансов и маркетинга.

К основным проблемам и ограничениям относили следующие факторы: недостаточное внимание к ЭС со стороны руководства, высокая стоимость, длительность производства, трудность получения знаний от эксперта, недостаток используемых оболочек, сложность использования и др.

Список литературы

1. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы. — M.: Финансы и статистика, 1996. – 320с.
2. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ – М.:Наука, 1987 - 228 с.
3. Лорьер Ж.-Л. Системы искусственного интеллекта. – М.: Мир, 1991 – 568с.
4. Нейлор К. Как построить свою экспертную систему: Пер. с англ.- М.: ЭНЕРГОАТОМИЗДАТ, 1991
5. Д.Уотерман, Д.Ленат. Построение экспертных систем: Пер. с англ./Под ред. П 63. – М.: Мир, 1987 – 441с.
6. Уотерман Д. Руководство по экспертным системам. — M.: Мир, 1989.- 287 c.